【论文精读】《Towards Deep Learning Models Resistant to Adversarial Attacks》

摘要

本文探讨了深度学习模型在面对对抗性攻击时的脆弱性，并提出了一种基于鲁棒优化的方法来增强神经网络的对抗鲁棒性。通过鞍点优化框架，作者提供了对抗攻击和防御机制的统一视角，并在MNIST和CIFAR-10数据集上验证了其方法的有效性。本文的核心贡献包括：1）定义攻击模型和扰动集以优化模型参数；2）强调网络容量对对抗鲁棒性的影响；3）提出对抗训练作为提升模型鲁棒性的关键方法。本文为深度学习模型的对抗鲁棒性提供了新的理论和实证支持。

---

1. 引言

深度学习模型在图像分类、自然语言处理等领域取得了显著成功，但其对抗鲁棒性（Adversarial Robustness）问题引发了广泛关注。对抗样本（Adversarial Examples）是通过对输入数据施加微小扰动生成的，尽管这些扰动对人类不可察觉，却能导致模型的错误分类。

1.1 对抗攻击的定义

1.2 对抗训练的目标